考慮混煉原油性質穩定的原油采購計劃與調和調度集成優化
中文題目：考慮混煉原油性質穩定的原油采購計劃與調和調度集成優化
論文題目：Integrated Optimization of Crude Oil Procurement Planning and Blending Scheduling for Property Stabilization
錄用期刊/會議： Computers & Chemical Engineering (中科院SCI 3區, JCR Q1, CAA A類期刊)
原文DOI： https://doi.org/10.1016/j.compchemeng.2024.108716
原文鏈接：https://www.sciencedirect.com/science/article/pii/S0098135424001340
錄用/見刊時間：2024年04月30日
作者列表：
1）鄭萬鵬 中國石油大學（北京）信息科學與工程學院/人工智能學院 控制科學與工程 博19
2）高小永 中國石油大學（北京）信息科學與工程學院/人工智能學院 自動化系 教師
3）黃付宇 中國石油大學（北京）信息科學與工程學院/人工智能學院 控制科學與工程 碩20
4）左 信 中國石油大學（北京）信息科學與工程學院/人工智能學院 自動化系 教師
5）陳曉政 中國石油大學（北京）信息科學與工程學院/人工智能學院 控制科學與工程 博22
文章簡介:
本文針對原油采購和調和過程所存在的“操作時間尺度差異大，同一時間尺度難優化”的特點，提出了一種基于事件-連續時間的混合時間表示方法，并建立了一個原油采購計劃與調和調度的集成優化模型。本模型在保證調和原油的目標餾分段收率保持動態穩定的前提下，實現了原油采購成本的最小化。
摘要:
原油采購和調和過程是煉油廠生產中的關鍵流程。在解決原油采購計劃和調和調度的集成優化問題時，主要考慮以下問題：如何在確保調和原油性質穩定的前提下，建立不同時間尺度下的原油采購和調和過程的綜合優化模型，以最小化采購成本。本文提出了一個集成優化模型，以采購成本最小化為模型的目標函數，并通過調和原油的產量和性質約束來保證穩定性。然后，本文采用基于事件的表示法描述原油采購過程，采用基于連續時間的表示法來描述原油調和過程，并提出了一種基于混合事件-連續時間的表示法來描述MINLP模型。最后，本文通過案例模擬驗證了模型在解決實際生產問題中的有效性。
背景與動機:
基于原油采購與調和領域已有的研究工作，我們發現大多數的研究只關注原油采購和調和過程中的單一環節，而很少有研究將原油采購和調和過程集成考慮。然而在實際生產中，原油采購過程和原油調和過程是相互關聯、相互制約的。原油采購的類型和數量極大地影響著原油調和配方的制定和可行的調度計劃，但同時也受到與原油調和相關的生產設施和工藝的制約。因此，集成考慮這兩個過程是很有必要的。此外，很少有研究考慮到原油調和性質的穩定性，特別是目標餾分中調和原油收率的穩定性。如果調和原油的性質不能滿足加工單元的要求，將會導致嚴重的生產問題，影響煉油廠的正常運營，并可能產生安全隱患。目標餾分段中調和原油的產率決定了石油餾分的產品分布，直接影響后續二次加工是否能安全、順利地運行。在此背景下，我們提出了基于混合時間表示的集成模型以解決上述問題。
設計與實現:
1. 混合事件-連續時間表示法
對于本文提出的集成優化問題，我們采用連續時間表示法來表示原油調和調度，采用基于事件的表示法來表示原油采購計劃，以此來解決集成模型中采購計劃和調和調度時間尺度的差異問題。我們將上述的表示方法命名為混合事件-連續時間表示法。圖1展示了集成優化問題的混合事件-連續時間表示法。我們提出這種混合事件-連續時間表示法，主要是基于以下考慮：采購規劃和調和調度的時間尺度不一致且變化范圍廣泛。采購計劃通常以月度為單位進行，而調和調度則每小時進行一次。如果將采購規劃與調和調度放在同一時間尺度上考慮，將會產生過多的時間間隔和潛在的巨額計算成本。因此，在我們提出的方法中，采購計劃由事件表示，區間是基于事件而不是小時，這意味著區間被定義為事件開始和結束之間的時間段。定義時間區間的事件可以是（1）原油的到達和/或（2）訂單要求下調和配方的更改。連續時間表示法表示每個事件的詳細原油調和操作計劃。
圖1. 混合事件-連續時間表示法的示意圖
在圖1中，
表示煉油廠CDU裝置的不同生產周期，從一個生產周期到下一個生產周期時，生產方案會發生變化。例如，在
生產周期中CDU裝置的生產方案是高辛烷值汽油生產方案，其副產品包括液化石油氣（LPG）、石油焦等；在
生產周期中CDU裝置的生產方案采用了高十六烷值柴油生產方案，其副產品包括汽油、石油焦等。需要說明的是，生產周期是根據生產方案來劃分的，不同的生產方案將導致調和原油具有不同的性質，因此不同生產周期對調和原油性質的需求也會有所不同。
是基于事件表示法劃分出的事件槽，其中定義區間的事件只可是（1）原油的到達和/或（2）訂單要求的調和配方發生變化。每個事件槽中的生產方案是相同的，即待處理的目標調和原油不變。然而，事件槽中原油的調和方案可能會發生變化，例如，事件槽
中的調和原油由原
、原油
和原油
組成，而事件槽
中的調和原油由原油、原油
和原油
組成。對于每個事件包含的時間段，我們使用連續時間
來表示原油調和操作的詳細計劃，例如，從儲罐向調和罐輸送原油，以及從調和罐向CDU裝置進料等。
2. 集成模型的數學表達
集成模型的主要約束如下：
2.1 組成和物料平衡約束
|
(1) |
|
(2) |
|
(3) |
|
(4) |
|
(5) |
2.2 裝置與庫存約束
|
(6) |
|
(7) |
|
(8) |
|
(9) |
|
(10) |
|
(11) |
2.3 供給約束
|
(12) |
|
(13) |
|
(14) |
|
(15) |
|
(16) |
2.4 收率與性質約束
|
(17) |
|
(18) |
|
(19) |
|
(20) |
|
(21) |
|
(22) |
|
(23) |
2.5時序約束
|
(24) |
|
(25) |
|
(26) |
|
(27) |
|
(28) |
2.6 采購成本及庫存約束
|
(29) |
|
(30) |
|
(31) |
|
(32) |
|
(33) |
|
(34) |
2.7 目標函數
實驗結果及分析:
本文在仿真實驗部分基于一個真實生產裝置的案例數據，設置了四個仿真案例實驗以驗證集成模型在解決實際問題方面的有效性。
1. 案例1至案例4中的數據統計與分析
在本節中，我們總結了案例1至案例4的計算統計數據。表1統計了案例1至案例4中綜合優化模型中約束的數量、變量的數量、二進制變量的數量、非線性非零元素的數量以及求解時間。
Table 1. Model statistics for Cases 1–4.
Case |
Number of Cons. |
Number of Vars. |
Number of Bin. Vars. |
Number of Nonlinear Non-zeroes Elements |
Solution Time with Gurobi (sec) |
Cases 1 |
10,920 |
13,258 |
782 |
1,309 |
1,670 |
Cases 2 |
12,235 |
14,332 |
904 |
1,538 |
1,978 |
Cases 3 |
14,374 |
17,211 |
1,049 |
1,617 |
2,169 |
Cases 4 |
12,989 |
16,288 |
956 |
1,595 |
2,001 |
此外，我們還分別統計了當可用原油類型為5、10、15、25和30時案例1相關的統計數據，如表2所示。其中，案例（1,5）表示原油類型為5時的統計數據。以此類推，案例（1,10）、案例（1,15）、案例（1,20）、案例（1,25）和案例（1,30）分別表示原油類型為10、15、20、25和30時的統計數據。此外，為了確保求解時間的可行性，我們將最大求解時間設置為7200秒。
Table 2. Model statistics for Case 1 when crude oil type is different.
Case |
Number of Cons. |
Number of Vars. |
Number of Bin. Vars. |
Number of Nonlinear Non-zeroes Elements |
Solution Time with Gurobi (sec) |
Case (1,5) |
912 |
729 |
46 |
61 |
8.82 |
Case (1,10) |
2,304 |
2,363 |
115 |
162 |
69.36 |
Case (1,15) |
4,824 |
5,337 |
365 |
417 |
512 |
Case (1,20) |
10,920 |
13,258 |
782 |
1,309 |
1,670 |
Case (1,25) |
21,504 |
32,225 |
1,581 |
2,465 |
7,200 |
Case (1,30) |
57,608 |
73,072 |
4,941 |
6,560 |
7,200 |
通過表2中的統計數據可以看出，可用的原油類型數量極大地影響了約束、變量等的數量以及求解時間的長短。隨著可用原油類型數量的增加，約束、變量等的數量急劇增加，求解時間也迅速延長。此外，與表1中的數據相比，原油類型的增加對案例中的變量、約束等的數量影響更為顯著。因此，對于綜合優化問題，減少可用原油的種類是提高求解性能、縮短求解時間的有效方法。
2. 調和原油穩定性的討論
基于案例1-4的仿真結果，可以進一步獲得調和原油的目標餾分收率與理想調和原油的目標餾分收率之間的差距。其中，圖2(a)展示了在80-200℃蒸餾段中，理想調和原油與優化后調和原油的收率差距；圖2(b)展示了在350-500℃蒸餾段中，理想調和原油與優化后調和原油的收率差距。為了便于描述，上述以80-200℃為目標餾分范圍的加工方案被稱為汽油加工方案，而以350-500℃為目標餾分范圍的加工方案被稱為柴油加工方案。
(a) (b)
圖2. 當 g=15%時，目標餾分中調和原油的收率差距
從圖2可以看出，優化后調和原油的目標餾分收率與理想調和原油的目標餾分收率之間的差距始終在設定范圍內波動，此時我們設定的收率差距 g=15%。仿真結果可以證明我們提出的優化模型能夠確保目標餾分段中的調和原油收率在一定范圍內保持動態穩定。為了進一步驗證優化模型能夠確保目標餾分段中的調和原油收率始終在設定的范圍內，我們在案例1至案例4中改變了設定值 g 的大小。其中，圖3(a)和圖3(b)分別展示了當設定值 g=5% 時，所有汽油加工方案和柴油加工方案中調和原油的目標餾分差距圖；圖4(a)和圖4(b)則分別展示了當設定值 g=25% 時，所有汽油加工方案和柴油加工方案中調和原油的目標餾分差距圖。
(a) (b)
圖3. 當 g=5%時，目標餾分中調和原油的收率差距
(a) (b)
圖4. 當 g=25%時，目標餾分中調和原油的收率差距
從圖3和圖4可以看出，當我們改變設定值 g 的大小時，目標餾分中優化后調和原油的收率差距仍然保持在設定的范圍內，這進一步證明了我們提出的優化模型能夠確保調和原油在設定的范圍內保持動態穩定，從而提高調和原油性質的穩定性以滿足后續生產要求。
通過分析具有不同設定差距值 g 的原油調和方案，當設定差距值 g = 5% 時，參與調和的原油種類較少，大多數原油調和方案僅根據實時原油購買價格調整不同原油類型在調和過程中的比例，很少替換新的原油類型。在這種情況下，調和原油的性質波動最小且最穩定。當設定差距值 g = 15% 時，參與調和的原油種類明顯多于 g = 5% 的情況。原油調和方案頻繁調整，參與調和過程的原油種類和比例不斷變化，調和原油的性質在一定范圍內頻繁波動。在 g=25% 時，參與調和過程的原油種類略多于 g=15% 的情況，但原油調和方案的變動更大，即不同調和方案的變動更多，原油種類和比例的變動也更多，導致調和原油性質的波動最為顯著。這表明，我們可以通過調整設定值 g 的大小來影響調和原油性質的波動范圍，從而穩定調和原油的性質。設定值 g 越小，性質波動的范圍越小，調和原油的性質越穩定。
3. 優化結果的經濟性研究
雖然較小的設定值 g 能夠使實際過程中調和原油的性質更加穩定，但僅關注調和原油性質的穩定性是不夠的；模型還需要考慮原油采購的成本。當設定差距值 g = 15% 時，案例1-4的原油采購成本如圖5所示。
圖5.案例1-4的原油采購成本比較
從圖5中可以看出，在確定的加工方案下，優化模型能夠在很大程度上降低原油的采購成本。即使在加工方案急需變動的情況下，優化模型仍然能夠略微降低原油的采購成本，并確保調和原油的穩定性。這證明了我們提出的模型能夠降低原油采購成本，提高生產單位的經濟效益。此外，我們通過仿真模擬驗證了設定值 g 與原油采購成本之間的關系。圖6(a) 展示了案例1中不同設定值 g 下的采購成本比較結果，圖6(b) 展示了案例2中不同設定值 g 下的采購成本比較結果。
(a) (b)
圖6. 當原油價格下降時，案例1和案例2的比較結果
圖6顯示了當 g 從 5% 開始，每次增加 5% 直至 50% 時，原油采購成本逐漸降低并最終趨于平穩。此外，目標餾分收率差距的大小與原油采購成本呈負相關，即收率差距越接近于0，原油采購成本越高。正如前文所述，設定值 g 影響原油調和配方；g 值越小，可用于調和配方的原油種類越少，整個生產周期內調和配方的變化范圍也越小。由于我們的生產案例有初始庫存，g 值越小，初始庫存中可用于滿足調和配方要求的原油種類就越少，必須在生產過程開始時購買更多的原油，這導致原油采購成本顯著增加。當 g 的值增加到 10% 和 15% 時，原油采購成本迅速下降，這也是因為當 g 的值增加時，初始庫存的利用率提高，生產過程開始時所需的原油量迅速減少。然而，當 g 的設定值增加到 15% 時，原油采購成本的下降幅度顯著減小直至趨于平穩，因為初始庫存的利用率由于與其相關的約束性質而達到上限。當初始庫存利用率達到上限時，煉油廠只能通過優化原油調和配方來提高經濟效益。因此，在實際生產過程中，合理平衡調和原油的收率差距與原油采購成本之間的關系至關重要。
結論:
在本文中，我們研究了原油采購和調和過程的綜合優化問題。我們基于混合連續時間和事件表示法，提出了一個原油采購計劃和調和調度的綜合優化模型。該模型考慮了原油調和過程中典型的調度問題約束，如物料平衡約束、設備約束和庫存約束。同時，該模型還考慮了原油采購過程中需要考慮的典型問題和原油庫存約束，將原油采購過程與原油調和過程相結合，實現了集成優化。我們使用實際生產數據設計了4組模擬實驗。通過模擬實驗的結果，我們驗證了在保證調和原油性質穩定性的前提下，綜合優化問題可以降低原油采購成本，提高經濟效益。
然而，目前的研究仍有待改進。當需要采購的原油種類數量增加時，模型的求解時間急劇增加，當原油種類數量超過25種時，無法在可接受的時間內求解。然而，在當今交易市場的原油數據庫中，通常存在數百種原油類型。為了解決這個問題，我們后續的工作將專注于將聚類算法應用于優化問題。我們計劃使用聚類算法對原油數據庫進行分類，快速排除原油數據庫中不符合加工方案的原油，縮小可用原油的范圍，以提高模型的求解效率。
通訊作者簡介:
高小永，信息科學與工程學院/人工智能學院副院長，博士生導師，石大學者，校青年拔尖人才，自動化專業及控制科學與工程學科建設負責人，擔任北京自動化學會常務理事、中國自動化學會過程控制專業委員會委員、中國自動化學會教育工作委員會委員、中國化工學會信息技術應用專業委員會副秘書長、中國系統工程學會過程系統工程專業委員會委員等。研究領域為復雜石油石化工業過程智能制造，主要方向有：機理與數據驅動的故障診斷、復雜工業過程建模與優化控制、工業過程計劃與調度優化等。主持國家自然科學基金項目2項、北京市自然科學基金面上項目1項、校企聯合項目20多項，發表SCI/EI等各類論文50多篇。
Email：x.gao@cup.edu.cn